論文の概要: Towards Sustainable Artificial Intelligence: A Comprehensive Review and Comparative Analysis of Deep Learning Models' Carbon Footprint
- arxiv url: http://arxiv.org/abs/2608.09998v1
- Date: Fri, 07 Aug 2026 13:52:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.748478
- Title: Towards Sustainable Artificial Intelligence: A Comprehensive Review and Comparative Analysis of Deep Learning Models' Carbon Footprint
- Title（参考訳）: 持続可能な人工知能を目指して:Deep Learning Modelsのカーボンフットプリントの総合的レビューと比較分析
- Abstract要約: 人工知能(AI)と機械学習(ML)は、複雑なヒューマンタスクをサポートし、自動化するための強力なツールになっている。
彼らの利益にもかかわらず、彼らの環境への影響に注意が向けられている。
本稿では,グリーンAI,グリーンDL,およびAIモデルによる環境影響の低減を目的とした最適化手法について,系統的なレビューを行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial Intelligence (AI) and Machine Learning (ML) have become powerful tools for supporting and automating complex human tasks. Despite their benefits, growing attention has been directed toward their environmental implications, primarily due to their high energy demands and associated carbon emissions. This concern is particularly relevant in light of the increasing deployment of large-scale models, especially Deep Learning (DL) architectures, which provide advanced predictive capabilities but require substantial computational resources. This paper presents a systematic review of research on Green AI, Green DL, and optimization techniques aimed at reducing the environmental impact of AI models. In addition, we examine and compare several carbon measurement tools for estimating emissions generated by AI algorithms. To complement the review, we conducted an empirical evaluation using a CPU-based experimental setup, in which six DL models were implemented for a multi-label classification task. The objective was to quantify and compare their overall carbon emissions and to determine which stages of the DL lifecycle contribute most significantly to the total footprint. The results show that the training phase is the primary source of emissions. Moreover, the findings reveal that increased architectural complexity does not systematically translate into proportional accuracy gains, highlighting the importance of carefully balancing predictive performance and environmental cost. These results reinforce the need to integrate sustainability considerations into model selection and AI system design.
- Abstract（参考訳）: 人工知能(AI)と機械学習(ML)は、複雑なヒューマンタスクをサポートし、自動化するための強力なツールになっている。
彼らの利益にもかかわらず、主に高いエネルギー需要と関連する二酸化炭素排出量のために、環境への影響に注意が向けられている。
この懸念は、大規模モデルの展開の増加、特に高度な予測能力を提供するが、相当な計算資源を必要とするディープラーニング(DL)アーキテクチャに特に関係している。
本稿では,グリーンAI,グリーンDL,およびAIモデルによる環境影響の低減を目的とした最適化手法について,系統的なレビューを行う。
さらに,AIアルゴリズムが生成するエミッションを推定するための炭素測定ツールについて検討し,比較する。
そこで我々は,CPUを用いた実験装置を用いて,複数ラベル分類タスクに対して6つのDLモデルを実装した実験的な評価を行った。
目的は, 総炭素排出量の定量化と比較を行い, DLライフサイクルのどの段階が全体のフットプリントに最も寄与するかを決定した。
その結果, トレーニングフェーズが主要な排出源であることが示唆された。
さらに, アーキテクチャの複雑さの増大は, 体系的に比例的精度向上に変換されず, 予測性能と環境コストを慎重にバランスさせることの重要性が浮き彫りにされた。
これらの結果は、持続可能性に関する考慮事項をモデル選択とAIシステム設計に統合する必要性を強化している。
関連論文リスト
- A Survey on the Green Development of Large Models: From Resource-Efficient Architectures to Hardware-Software Co-Design [71.32556809242666]
大規模AIモデルの急速な拡張は、さまざまな領域で大幅なパフォーマンスのブレークスルーをもたらした。
また、計算コスト、エネルギー消費、環境の持続可能性に関する重要な懸念を提起している。
この調査は、大規模モデルの持続的、スケーラブルで、社会的に責任のある開発に向けて、全体的なロードマップを提供することを目的としている。
論文 参考訳（メタデータ） (2026-07-10T04:02:22Z) - AutoSOTA: An End-to-End Automated Research System for State-of-the-Art AI Model Discovery [49.77172027295716]
AutoSOTAは、トップレベルのAI論文で発表された最新のState-Of-The-Art(SOTA)モデルを進化させるエンドツーエンドの自動研究システムである。
報告された方法を超える新しい105種類のSOTAモデルを発見し、平均して1紙あたり平均5時間である。
論文 参考訳（メタデータ） (2026-04-07T07:52:01Z) - Perspective: Towards sustainable exploration of chemical spaces with machine learning [49.29528647472741]
持続可能な進歩は、オープンデータとモデル、再利用可能なデータセット、ドメイン固有のAIシステムに依存します。
我々は、汎用機械学習(ML)モデル、多要素アプローチ、モデルの蒸留、アクティブラーニングなど、効率を高めるための新たな戦略を強調した。
論文 参考訳（メタデータ） (2026-03-31T13:29:20Z) - AI-CARE: Carbon-Aware Reporting Evaluation Metric for AI Models [2.7946918847372277]
本稿では,AI-CARE,エネルギー消費評価ツール,および機械学習モデルの炭素排出量について述べる。
理論的解析と実証的検証を通じて、炭素認識ベンチマークがモデルの相対的なランキングを変えることを実証する。
本提案は,研究コミュニティを透明で多目的な評価に転換し,MLの進歩をグローバルなサステナビリティ目標に合わせることを目的としている。
論文 参考訳（メタデータ） (2026-02-17T21:52:48Z) - Analytical Survey of Learning with Low-Resource Data: From Analysis to Investigation [192.53529928861818]
高リソースデータによる学習は人工知能(AI)において大きな成功を収めた
しかし、データアノテーションやモデルトレーニングに関連するコストは依然として大きい。
本調査では,低リソースデータからの学習に伴う一般化誤差とラベル複雑性を分析するために,アクティブサンプリング理論を用いた。
論文 参考訳（メタデータ） (2025-10-10T03:15:42Z) - Ground-Truthing AI Energy Consumption: Validating CodeCarbon Against External Measurements [2.538209532048867]
本研究では静的および動的エネルギー推定手法の信頼性を系統的に評価する。
確立された推定手法は、一貫して最大40%の誤差を発生させる。
この研究は透明性を確立し、持続可能なAI開発に広く利用されているツールを検証する。
論文 参考訳（メタデータ） (2025-09-26T09:12:21Z) - AIMeter: Measuring, Analyzing, and Visualizing Energy and Carbon Footprint of AI Workloads [7.7878942091873755]
AIMeterは、AIワークロード全体でのエネルギー使用、電力引き込み、ハードウェアパフォーマンス、二酸化炭素排出量の測定、分析、可視化のための包括的なソフトウェアツールキットである。
既存のAIフレームワークとシームレスに統合することにより、AIMeterは標準化されたレポートを提供し、詳細な時系列データをエクスポートする。
さらに、ハードウェアメトリクスとモデルパフォーマンスの詳細な相関分析を可能にし、ボトルネック識別とパフォーマンス向上を容易にする。
論文 参考訳（メタデータ） (2025-06-25T15:24:45Z) - Systematic Weight Evaluation for Pruning Large Language Models: Enhancing Performance and Sustainability [1.542607498220242]
本研究は,トレーニング過程を通じて,個人の体重重大度を体系的に評価することに焦点を当てる。
性能を損なうことなくモデルサイズを効果的に削減する手法を提案する。
これらの発見は、持続可能な開発を保証するために最適化されたAIモデルの必要性を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-02-24T11:34:49Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳（メタデータ） (2023-07-01T15:18:00Z) - Eco2AI: carbon emissions tracking of machine learning models as the
first step towards sustainable AI [47.130004596434816]
eco2AIでは、エネルギー消費の追跡と地域CO2排出量の正当性に重点を置いている。
モチベーションは、サステナブルAIとグリーンAI経路の両方で、AIベースの温室効果ガスの隔離サイクルの概念からもたらされる。
論文 参考訳（メタデータ） (2022-07-31T09:34:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。